Gen-AI-Learning：生成式AI学习与实践探索笔记

本仓库记录了作者在生成式AI领域的学习历程和实践探索，重点关注自然语言处理（NLP）、大语言模型（LLM）、LangChain和LangGraph等核心技术，为生成式AI学习者提供参考路径。

生成式人工智能（Generative AI）正在重塑技术行业格局，从ChatGPT引发全球关注到各类AI应用商业化落地，已成为当前最具变革性的技术浪潮。对技术从业者而言，掌握生成式AI技术是职业发展的需要，更是参与塑造未来的机会。

然而，生成式AI学习曲线陡峭：领域发展迅速，新技术、新框架、新应用层出不穷，学习者需跨越Transformer架构到Agent系统等多个知识领域。Gen-AI-Learning项目作为学习者的探索记录，为同行提供参考与启发。

Gen-AI-Learning的学习路径围绕四个核心领域展开：

1. 自然语言处理（NLP）：作为生成式AI基石，从词向量、序列模型到注意力机制、Transformer架构；
2. 大语言模型（LLM）：重点学习GPT系列、Llama、Mistral等模型的架构、训练方法、推理优化及提示工程等实用技能；
3. LangChain：连接LLM与应用的桥梁，提供链式调用、工具集成、记忆管理等核心抽象；
4. LangGraph：LLM应用架构的最新演进，引入图结构支持复杂控制流和状态管理。

Gen-AI-Learning强调实践导向：

• 动手实验：从头实现注意力机制、构建简化GPT模型，理解架构原理；
• 项目实践：尽早构建文本摘要、问答系统等小型应用，综合应用所学知识；
• 错误与调试：记录困惑、弯路及bug修复过程，这些“失败经验”具有重要教学价值。

LangChain是LLM应用开发的核心框架：

• 链（Chain）：封装LLM调用、提示模板等步骤为可组合组件；
• 工具集成：扩展LLM能力边界，支持搜索引擎、数据库查询等外部交互；
• 记忆（Memory）：解决上下文窗口限制，提供多种记忆实现；
• 检索增强生成（RAG）：结合外部知识库缓解模型知识截止和幻觉问题。

LangGraph针对LangChain线性模型的局限，引入图结构：

• 图结构：支持循环、分支、并行等复杂控制流；
• 状态管理：提供类型安全的状态定义与持久化；
• Agent工作流：支持ReAct模式、多Agent协作等复杂自主系统；
• 项目记录了从LangChain到LangGraph的学习过渡及迁移示例。

Gen-AI-Learning整理并贡献开源学习资源：

• 论文阅读：记录关键论文（如《Attention Is All You Need》）的要点与心得；
• 开源项目：鼓励阅读LangChain、LlamaIndex等源码，理解工业级工程实践；
• 社区参与：分享参与开源社区、技术论坛、学术会议的经验，拓展视野与网络。

学习心得：

• 平衡广度与深度：先建立全局视野，再深入感兴趣方向；
• 理论与实践结合：以理论指导实践，用实践深化理论；
• 持续学习：保持好奇心，跟踪领域最新进展；
• 分享价值：记录笔记帮助他人，同时加深自身理解。

展望：项目将继续更新，跟踪生成式AI最新进展；鼓励学习者开始行动，通过系统学习、实践与社区参与，在该领域找到自己的位置。